Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Retrieval Augmented Generation (RAG) w Microsoft Copilot Studio łączy zdolności rozumowania modeli językowych z zaufaną, specyficzną dla organizacji wiedzą. Pozwala agentom generować dokładne, kontekstowe i ugruntowane odpowiedzi oparte na treści przedsiębiorstwa, zamiast polegać wyłącznie na pamięci modelu.
Z tego artykułu dowiesz się, jak wykonywać następujące czynności:
- Interpretacja, jak RAG zwiększa niezawodność i uzasadnianie AI.
- Opisz, jak Copilot Studio pozyskuje i syntetyzuje wiedzę.
- Zidentyfikuj wspierane źródła wiedzy i ich ograniczenia.
- Rozpoznaj kwestie nadzoru, zgodności i bezpieczeństwa AI.
- Stosuj koncepcje RAG podczas projektowania agentów w środowiskach przedsiębiorstw.
Wprowadzenie do RAG
RAG jest wzorcem projektowym, który poprawia dokładność AI poprzez połączenie dwóch funkcjonalności:
- Pozyskiwanie informacji: Przeszukiwanie źródeł danych w przedsiębiorstwie.
- Generowanie tekstu: Synteza odzyskanych informacji za pomocą modelu językowego.
To podejście zmniejsza liczbę błędnych informacji, wzmacnia zaufanie i generuje odpowiedzi zakorzenione w rzeczywistych danych organizacji.
Architektura RAG w Copilot Studio
Potok RAG programu Copilot Studio jest oparty na usługach Azure AI Services i ściśle integruje się z granicami zaufania, zgodności i zabezpieczeń firmy Microsoft.
Podstawowe składniki:
- Środowisko uruchomieniowe Copilot Studio: Zarządza przepływem konwersacyjnym
- Silnik optymalizacji zapytań: Przepisuje i interpretuje zapytania
- Dostawcy wyszukiwania: Bing, SharePoint, Graph, Dataverse, Wyszukiwanie AI platformy Azure
- Silnik streszczania: Tworzy odpowiedzi oparte na danych źródłowych i opatrzone cytatami
- Warstwy moderacji: Weryfikują wiadomości i podsumowania
- Magazyn stanu: pamięć krótkotrwała (mniej niż 30 dni; niewykorzystywana do szkolenia)
- Telemetria i magazyny informacji zwrotnej: Dostarczają wglądu i nadzoru
Jak RAG działa w funkcji Copilot Studio
RAG w Copilot Studio przebiega według czteroetapowego procesu.
- Przepisywanie zapytań
- Pobieranie treści
- Podsumowanie i generowanie odpowiedzi
- Sprawdzanie poprawności bezpieczeństwa i nadzoru
1. Przepisywanie zapytań
Copilot Studio optymalizuje zapytanie użytkownika przed wyszukiwaniem:
- Uściśla znaczenie
- Dodaje sygnały kontekstowe (ostatnie 10 interakcji)
- Poprawia dopasowanie słów kluczowych
- Generuje zapytania zoptymalizowane pod kątem wyszukiwania
Proces ten poprawia jakość wyników wyszukiwania i ogranicza liczbę nieistotnych rezultatów.
2. Pozyskiwanie treści
Po przepisaniu zapytania system przeprowadza je na wszystkich skonfigurowanych przez Ciebie źródłach wiedzy. Copilot Studio otrzymuje trzy najlepsze wyniki z każdego źródła, równoważąc trafność z wydajnością. Zachowanie każdego źródła wiedzy różni się w zależności od czynników takich jak uwierzytelnianie, indeksowanie, formaty plików oraz ograniczenia dotyczące przechowywania danych.
Poniższa tabela podsumowuje wszystkie obsługiwane źródła wiedzy oraz ich możliwości, ograniczenia i wymagania uwierzytelniania:
| Źródło wiedzy | Podpis | Uwierzytelnianie | Kluczowe możliwości, limity i ograniczenia |
|---|---|---|---|
| Dane publiczne (strony internetowe) | Strony internetowe indeksowane przez Bing | Brak |
|
| SharePoint / OneDrive | Wewnętrzne treści przedsiębiorstwa (tylko wewnętrzne) | Uwierzytelnianie delegowane Microsoft Entra ID |
|
| Przesłane pliki | Pliki przesłane do magazynu Dataverse | Brak |
|
| Tabele Dataverse | Ustrukturyzowane rekordy biznesowe (tylko wewnętrzne) | Uwierzytelnianie delegowane Microsoft Entra ID |
|
| Łączniki programu Graph | Aplikacje korporacyjne indeksowane w Microsoft Graph (tylko do użytku wewnętrznego) | Uwierzytelnianie delegowane Microsoft Entra ID |
|
| Obsługiwane łączniki czasu rzeczywistego | Dane w czasie rzeczywistym z systemów takich jak Salesforce, Zendesk, SQL (tylko wewnętrzne) | Użytkownik musi być zalogowany |
|
| Wyszukiwanie Azure AI | Wektorowe wyszukiwanie semantyczne | Skonfigurowane punkty końcowe |
|
| Niestandardowe dane | Dane dostarczane przez interfejsy API, przepływy pracy lub niestandardową logikę | Brak |
|
3. Streszczanie i generowanie odpowiedzi
- AI syntetyzuje pobrane treści
- Stosuje dostosowane instrukcje dotyczące tonu, formatowania, bezpieczeństwa lub zwięzłości
- Generuje cytowania do danych źródłowych
- Personalizuje odpowiedzi na podstawie kontekstu użytkownika (takiego jak język, dział lub region)
4. Sprawdzanie poprawności bezpieczeństwa i nadzoru
Każda odpowiedź przechodzi przez kolejne warstwy automatycznej sprawdzania poprawności:
- Moderacja szkodliwych, złośliwych, niezgodnych lub chronionych prawem autorskim odpowiedzi
- Weryfikacja uzasadnienia i usuwanie nieprawidłowych informacji
Dane klientów nie są wykorzystywane do trenowania modeli językowych.
Kluczowe uwagi dotyczące korzystania z RAG
RAG najlepiej sprawdza się w przypadku pytań i odpowiedzi opartych na faktach, a nie przy szczegółowej analizie dokumentów.
RAG jest idealny do:
- Odpowiadanie na pytania z baz wiedzy
- Podsumowywanie polityk, FAQ i treści proceduralnych
- Pozyskiwanie konkretnych informacji z plików lub systemów wewnętrznych
RAG nie jest przeznaczone dla:
- Pełnego porównanie dokumentów
- Ocena zgodności z polityką
- Złożone rozumowanie nad długimi, nieustrukturyzowanymi dokumentami
Aspekty bezpieczeństwa i zgodności generatywnej AI
Funkcje generatywnej AI w Microsoft Copilot Studio zostały zaprojektowane tak, aby zapewniać zaawansowane możliwości konwersacyjne i rozumowania, jednocześnie utrzymując silne mechanizmy bezpieczeństwa, prywatności i kontroli zgodności.
Modele bazowe i hosting
- Copilot Studio opiera się na modelach bazowych, które szkoli OpenAI.
- Copilot Studio wykorzystuje jeden z najnowszych modeli OpenAI do odpowiedzi generatywnych.
- Modele działają całkowicie na wewnętrznych usługach Azure AI Foundry, zgodnych z granicą Microsoft Services Trust.
- Wszystkie modele są zgodne z zasadami i politykami Microsoft Responsible AI.
Instrukcje niestandardowe
Twórcy mogą udostępniać niestandardowe instrukcje do kształtowania zachowania modelu, wpływania na ton lub dodawania reguł formatowania. Instrukcje te pomagają dostosować generowane odpowiedzi do potrzeb organizacji, jednocześnie przestrzegając filtrów bezpieczeństwa i mechanizmów zgodności.
Magazynowanie i przetwarzanie danych
- Przechowywanie i przetwarzanie danych w Copilot Studio może przenosić dane między regionami, gdy lokalny hosting modeli nie jest dostępny.
- Gdy taki ruch danych nie jest dozwolony, administratorzy mogą użyć ustawień środowiska, aby wyłączyć określone funkcje, takie jak modele językowe Azure lub wyszukiwanie Bing.
- Copilot Studio nie zbiera ani nie wykorzystuje żadnych danych klientów do trenowania modeli językowych.
Obsługa danych operacyjnych
- Podczas działania system tymczasowo przechowuje rozmowy w zabezpieczonym repozytorium obsługiwanym przez Microsoft.
- Dostęp autoryzowanego personelu Microsoft jest ograniczony za pomocą Secure Access Workstations (SAWs) z kontrolami Just-In-Time (JIT).
- Organizacje mogą dodatkowo kontrolować dostęp za pomocą Skrytka klienta, wymagając wyraźnej zgody przed uzyskaniem dostępu do danych przez inżynierów wsparcia Microsoft.
Rozwiązywanie problemów z telemetrią
- Funkcje generatywnej AI generują dodatkowe dane dotyczące rozwiązywania problemów, ale tylko dla działań inicjowanych przez twórcę w oknie testowym, szczególnie gdy twórca daje kciuk w górę lub dół odpowiedzi.
- Nie rejestruje się dodatkowych danych klientów poza tą wyraźną pętlą opinii.
Monitorowanie nadużyć i bezpieczeństwo
Ze względu na liczne warstwy bezpieczeństwa chroniące funkcje generatywnej AI, generatywna AI Copilot Studio wyłącza monitorowanie nadużyć Azure AI, aby uniknąć dalszego rejestrowania danych klientów.